호흡측정용 IR-UWB 레이더 센서 데이터 기반 LSTM 학습모델 설계 및 구현

Abstract

본 논문에서는 질병의 전염 등의 부담스러운 접촉식 호흡측정방식을 지양하고 비접촉식으로 호흡을 측정할 수 있는 Xethru사에서 개발한 IR-UWB 방식을 사용한 비접촉식 호흡센서를 이용하여 사람의 호흡을 측정하고 데이터를 수집하였다. IR-UWB는 단거리레이더로 사람이 호흡할 때 폐의 팽창과 수축작용에 의해 움직이는 폐의 미세한 상하운동을 mm단위로 감지하여 데이터를 수집하고 이것으로 호흡패턴을 분석할 수 있다. 생체신호를 활용하는 인공지능 분야는 신체적 질병을 미리 예측할 수 있는 시계열 심화 학습모델을 중심으로 활발한 연구가 진행중이다. 호흡 또한 호흡패턴에 담겨있는 있는 의미를 심화학습 모델인 LSTM으로 학습하고 예측하면 각종 폐질환 발견과 예측에 적용할 수 있다. LSTM 학습모델의 적용에 따른 하이퍼파라미터의 최적 선택은 생체신호를 활용한 질병발생 예측 모델의 유용성을 높일 수 있다. 본 논문에서는 IR-UWB로 레이더 센서를 통한 비접촉식으로 수집한 호흡데이터를 인공지능 모델 중 시간에 관련된 순차 데이터를 모델링 하기 적합하고 정확도가 높은 LSTM 학습모델을 활용하여 학습시켜 보고 반복적인 실험을 통해 호흡데이터의 진폭과 파장에 적합한 최적의 하이퍼파라미터에 대해 실험적 분석과 검증을 다루었다. 실험결과를 통해 IR-UWB 비접촉식 호흡센서로 호흡정보를 수집하고 수집된 호흡 데이터로부터 학습된 LSTM 모델의 유용함을 확인하였고 하이퍼파라미터의 최적화 과정을 통해 실제 적용 가능함을 제시하였다. ;This thesis deals with LSTM learning model to treat data set gathering from IR-UWB radar sensor. Various vital signal measurements are used as various indicators such as disease prediction and real-time monitoring of patients. In the case of respiratory data, the cycle and amplitude can be analyzed to find a variety of information about the patient's health status such as aging and disease. After collecting breathing data, we can find a lot of information about the current human body. It is currently a burdensome measurement method that requires wearing a sensor or band on the chest or connecting a hose or instrument to get the respiratory tract of the human body. In experimental process, the IR-UWB sensor module developed by Xethru was used to measure the signal of human breathing and collect the corresponding data using a non-contact mode. IR-UWB is a short-range radar that collects data by detecting minute vertical movements of the lungs that move by the expansion and contraction of the lungs when a person breathes, and can be used to categorize the breathing pattern. The combination of captured biological signals and predicted signals makes it possible to predict the possibility of human diseases in advance. From respiration data set, we can also predict various lung diseases in advance by analyzing breathing patterns using LSTM deep learning model. LSTM learning model is optimized by selecting proper hyperparameter to get highly adapted model for predicting the good estimation. Firstly, breathing data collected in a non-contact manner through a radar sensor equipped with IR-UWB are trained using the LSTM learning model and analyzed experimental hyperparameter suitable for adjusting the real breathing signals. Finally various experimental results are verified to calculate optimal hyperparameters and are tested to modify LSTM learning model configuration. Further research will be done with more experimental approach and other deep learning models.